基于声呐辅助自主导航的AUV导航方法技术

本发明专利技术涉及基于声呐辅助自主导航的AUV导航方法，属于海底探测技术领域；主要解决现有测绘系统理想探测轨迹与实际值存在差异的问题。本发明专利技术利用iSAM算法运行常数项步数的策略，将目标区域进行分块，使处于局部测绘区域的AUV对选择继续探索未知区域还是回访之前的海底环境做出智能化的决策，兼顾海底导航性能和目标区域覆盖率两种竞争诉求，为解决海底运动观测时定位误差累计这一关键技术问题提供了可行性方案。

【技术实现步骤摘要】

本专利技术涉及基于声呐辅助自主导航的AUV导航方法，属于海底探测

技术介绍
目前AUV执行测绘任务时，理想探测轨迹与实际探测轨迹往往存在差异。理论上 按照预先设定轨迹可以提供对目标海域的100%有效覆盖，但其中隐含的假设是航行中任 何一点都满足有界误差性能，在实际的调查任务中，由于对目标区域中真实海底环境的特 征分布是一无所知的，倘若移动观测设备没有精准的定位，就没有高质量高准确度的海底 地形地貌图。因此如何提高移动观测设备的定位准确性成为移动探测领域所面临的技术焦 点和瓶颈问题。
技术实现思路
本专利技术的目的在于克服现有AUV导航模块存在的上述缺陷，提出了一种基于声呐 辅助自主导航的AUV导航方法，弥补了现有测绘系统理想探测轨迹与实际值存在差异的问 题，本专利技术利用iSAM算法（incremental Smoothing and Mapping，递增平滑与地图构建算 法）运行常数项步数的策略，将目标区域进行分块，使处于局部测绘区域的AUV对选择继续 探索未知区域还是回访之前的海底环境做出智能化的决策，兼顾海底导航性能和目标区域 覆盖率两种竞争诉求，为解决海底运动观测时定位误差累计这一关键技术问题提供了可行 性方案。 本专利技术所述的基于声呐辅助自主导航的AUV导航方法，包括如下步骤： 步骤一、AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集； 步骤二、将高维海底声呐探测图像数据进行降维处理； 采用词袋BoW(Bag of Words)局部特征表达模型来描绘海底探测图像，以满足对 海量观测信息的快速的反应能力； 步骤三、分别计算两侧声呐图像的特征显著率： 采用归一化图像熵来表示声呐图像的特征显著率， 其中I ω I表示声呐观测图像中的局部特征总数，l〇g2| ω I为特征均匀分布时获得 的最大熵，P(Wl)为局部特征的先验概率密度函数，图像熵表 示声呐探测图像中特征的多样性；将上述特征显著率的计算结果与自定义阈值进行比较， 产生具有显著特性的声呐观测节点； 步骤四、当航行器航行100步时，计算其当前航行的不确定度P，并与不确定阈值 P。进行比较： 其中I ΣΜΡ|为自航式测绘系统探索时位姿的一步预测协方差的模，I sallcJ表示 其位姿允许协方差的模；如果不确定度大于等于不确定阈值，则导航决策AUV重访某显著 性位姿点；如果不确定度小于此不确定阈值，则导航决策AUV继续探索。 步骤五、AUV根据步骤四的决策进行探索或回访： 若AUV导航决策判决为回访，则根据最终得到回访点和之前得到的回访路径进行 回访。然后原路返回。将之前探索的区域标记为已探索过的区域，然后再继续进行未知区 域的探索；若AUV导航决策判决为继续探索，则AUV继续连续探索100步后，同时也将之前 探索过的所有区域，标记为已探索过的区域，然后转向步骤四。 进一步地，步骤二中，采用词袋BoW局部特征表达模型来描绘海底探测图像的过 程分为三部分： 第一部分，利用SURF (Speeded Up Robust Features,快速鲁棒性特征）算法从探 测声呐图像中提取海底词汇向量，这些向量代表的是声呐图像中局部不变的特征点； 第二部分，将提取到的特征映射到字典树； 第三部分，利用海底声呐观测图像提取的局部特征生成典型样本，将典型样本对 应不同词汇；通过此种方法将高维海量海底探测数据映射到低维。 进一步地，步骤四中显著性位姿点的选取将由100步运行的不确定度的总和和 100步内区域覆盖率决定；AUV航行100步，再进行与阈值之间的比对，而不选择每一步都进 行比较，是因为对于大量的图像信息的处理不仅需要耗费时间，而且随着时间的推移，计算 总的位姿不确定度的复杂度越来越高，因此选择只对当前100步进行一次导航决策，使计 算复杂度可控。 此回访显著性位姿点的选取步骤如下： a，对步骤三得到的显著性声呐观测节点进行聚类，得到候选回访点。 b，对候选回访点进行路径规划。 c，计算到每个候选回访点的总不确定度禮& 候选回访点的总的不确定度由三部分组成，包括里程计信息矩阵、声呐信息矩阵 以及iSAM信息矩阵。 d，计算子区域覆盖率。 子区域覆盖率，即水下航行器在1〇〇步之内对已探索的区域和探索目标区 域的比值。其中子探索目标区域Asub_t # &为当前100步探索的区域和未探索区域的总和， 也就等于总的目标区域减去已探索过的区域，则子区域覆盖率的表达式为：当AUV进行探索时，尤的值为0 ;当水下航行器进行回访时，.的值 为l(pk)与D的乘积。其中，l(Pk)是由回访第kth个节点所增加的期望路径的长度，D是声 纳的视图宽度值，尤是通过回访行为所产生的预计的冗余覆盖区域。 e，确定回访点k。 惩罚因子的由两部分组成，一部分是水下航行器运动的不确定度参数Ρ|，另一部 分则是子区域覆盖率°惩罚项的表达式为： 其中α是权重。 惩罚项取相反数即可得到综合回馈值。即： Rk=-Ck 最后，重访问的第P个节点被定义为最小的综合回馈值，即： k*= arg max Rk= arg min Ck 其中k e {〇, 1，2... Nwp}，当k = 0时对应回访行为。 另外，进行下一次探索之前，将当前位置设置为局部起始点，忽略已探索过的区 域。 本专利技术的有益效果是：本专利技术提出的基于声呐辅助自主导航的导航方法，其采用 iSAM算法预期测绘位置精度较同配置卡尔曼滤波方法可提高30%以上。本专利技术克服了传 统导航模块单一的期望通过提高导航性能来获得高准确度的海底地形地貌测绘信息的缺 陷，提高导航性能，具有定位的高度一致性，并兼顾了目标覆盖率，使100%最大航程范围内 累计误差可控。本专利技术可为进行高质量高准确度的地形地貌探测奠定坚固的技术基础。【附图说明】 图1是本专利技术流程示意图。 图2是探索/回访行为选择原理示意图。【具体实施方式】 下面结合附图对本专利技术作进一步说明。 如图1-2所示，本专利技术所述的基于声呐辅助自主导航的AUV导航方法，包括如下步 骤： 步骤一、AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集； 步骤二、将高维海底声呐探测图像数据进行降维处理： 采用词袋BoW局部特征表达模型来描绘海底探测图像，以满足对海量观测信息的 快速的反应能力； 步骤三、分别计算两侧声呐图像的特征显著率： 采用归一化图像熵来表示声呐图像的特征显著率， 其中I ω I表示声呐观测图像中的局部特征总数，l〇g2| ω I为特征均匀分布时获得 的最大熵，P(Wl)为局部特征的先验概率密度函数，图像熵表 示声呐探测图像中特征的多样性；将上述特征显著率的计算结果与自定义阈值进行比较， 产生具有显著特性的声呐观测节点； 步骤四、当航行器航行100步时，计算其当前航行的不确定度P，并与不确定阈值 P。进行比较： 其中| Σ_|为自航式测绘系统探索时位姿的一步预测协方差的模，| XallcJ表示 其位姿允许协方差的模；如果不确定度大于等于不确定阈值，则导航决策AUV重访某显著 性位姿点；如果不确定度小于此不确定阈值，则导航决策AUV继续探索。 a，对步骤三得到的显著性声呐观测节点进行聚类，得到候选回访点； b，对候选回访点进行路径规划； c，计算到每个候选本文档来自技高网...

【技术保护点】
一种基于声呐辅助自主导航的AUV导航方法，其特征在于，包括如下步骤：步骤一、AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集；步骤二、将高维海底声呐探测图像数据进行降维处理：采用词袋BoW局部特征表达模型来描绘海底探测图像，以满足对海量观测信息的快速的反应能力；步骤三、分别计算两侧声呐图像的特征显著率：采用归一化图像熵来表示声呐图像的特征显著率，S=Σip(ωi)log2p(ωi)log2|ω|]]>其中|ω|表示声呐观测图像中的局部特征总数，log2|ω|为特征均匀分布时获得的最大熵，p(wi)为局部特征ωi的先验概率密度函数，图像熵表示声呐探测图像中特征的多样性；将上述特征显著率的计算结果与自定义阈值进行比较，产生具有显著特性的声呐观测节点；步骤四、当航行器航行100步时，计算其当前航行的不确定度P，并与不确定阈值P0进行比较：P=|Σa-|16=|Σexp|16,P0=|Σallow|16]]>其中|Σexp|为自航式测绘系统探索时位姿的一步预测协方差的模，|Σallow|表示其位姿允许协方差的模；如果不确定度大于等于不确定阈值，则导航决策AUV重访某回访显著性位姿点；如果不确定度小于此不确定阈值，则导航决策AUV继续探索；步骤五、AUV根据步骤四的决策进行探索或回访：若AUV导航决策判决为回访，则根据最终得到回访点和之前得到的回访路径进行回访；然后原路返回；将之前探索的区域标记为已探索过的区域，然后再继续进行未知区域的探索；若AUV导航决策判决为继续探索，则AUV继续连续探索100步后，同时也将之前探索过的所有区域，标记为已探索过的区域，然后转向步骤四。...

【技术特征摘要】

【专利技术属性】
技术研发人员：何波，郭佳，年睿，沈钺，沙启鑫，高强，冯晨，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东;37